×
阿马尔·艾哈迈德;佐海尔·拉扎·哈桑;穆达西尔·沙比尔

通过结构压缩可解释的多尺度图形描述符。 （英语） Zbl 1459.68165号

信息科学。 533, 169-180 (2020).
摘要：保留相关拓扑信息的图形表示允许使用丰富的机器学习工具集进行数据驱动的网络分析。文献中的一些著名的图表示在各自的应用中取得了丰硕的成果，但它们要么缺乏可解释性，要么无法在局部和全局尺度上有效地编码图的结构。在这项工作中，我们提出了高阶结构描述符（HOSD）：一种可解释的图描述符，它可以在多个尺度上捕获关于图中模式的信息。缩放是使用一种新的图形压缩技术实现的，该技术揭示了连续的高阶结构。由于其图理论性质，该描述符对节点排列不变性。我们分析了HOSD算法的时间复杂度，并证明了三个有趣的图压缩问题的NP完全性。还提出了一个更快的版本HOSD-Lite，用于在稠密图上近似HOSD。我们通过讨论使用HOSD在真实世界数据集中发现的结构模式来展示我们模型的可解释性。在基准数据集上评估HOSD和HOSD-Lite对分类问题的适用性；结果表明，基于我们的表示的简单随机森林设置与当前最先进的图嵌入很好地竞争。

MSC公司：

68T05型 人工智能中的学习和自适应系统
68页30 编码和信息理论（压缩、压缩、通信模型、编码方案等）（计算机科学方面）
68兰特 计算机科学中的图论（包括图形绘制）
68吨10 模式识别、语音识别

关键词：

图形嵌入;图形压缩;图形分类

软件：

AFGen公司;NetLSD公司
PDF格式BibTeX公司 XML格式引用
\textit{A.Ahmed}等人，《信息科学》。533169-180（2020年；兹比尔1459.68165）
全文： 内政部

参考文献：

[1] R.Angles，C.Gutierrez，图形数据库模型调查，ACM计算调查（CSUR）40（1）（2008）1。
[2] 戈亚尔，P。；Ferrara，E.，《图形嵌入技术、应用程序和性能：调查》，Knowl-基于系统。，151, 78-94 (2018)
[3] 蔡，H。；郑维伟。；Chang，K.C.C.，《图形嵌入的综合综述：问题、技术和应用》，IEEE Trans。知识。数据工程，30，9，1616-1637（2018）
[4] 张，M。；崔，Z。；Neumann，M。；Chen，Y.，《图形分类的端到端深度学习架构》（第三十二届AAAI人工智能会议（2018））
[5] R.Kondor，H.Pan，《多尺度拉普拉斯图核》，载于《神经信息处理系统的进展》，2016年，第2990-2998页。
[6] N.Shervashidze，S.Vishwanathan，T.Petri，K.Mehlhorn，K.Borgwardt，用于大型图形比较的高效graphlet内核，收录于：人工智能与统计，2009年，第488-495页。
[7] Beg，文学硕士。；艾哈迈德，M。；扎曼，A。；Khan，I.，图摘要的可缩放近似算法，（太平洋亚洲知识发现和数据挖掘会议（2018），施普林格），502-514
[8] 博格沃德，K.M。；Kriegel，H.-P.，图上的最短路径核，（第五届IEEE国际数据挖掘会议（ICDM'05）（2005），IEEE），8
[9] N.Shervashidze、P.Schweitzer、E.J.v.Leeuwen、K.Mehlhorn、K.M.Borgwardt、Weisfeiler-lehman graph kernels、J.Mach。学习。第12号决议（2011年）2539-2561·Zbl 1280.68194号
[10] 吴振中，潘石屹，陈凤，G.Long，张振中，余培生，图神经网络综合研究，arXiv预印本arXiv:1901.00596。
[11] 尼珀特，M。；艾哈迈德，M。；Kutzkov，K.，《图的卷积神经网络学习》（国际机器学习会议（2016）），2014-2023
[12] D.V.Tran，N.Navarin，A.Sperduti，关于图卷积网络中的滤波器尺寸，收录于：2018年IEEE计算智能（SSCI）研讨会系列，IEEE，2018年，第1534-1541页。
[13] K.Xu，W.Hu，J.Leskovec，S.Jegelka，图神经网络有多强大？，2018
[14] C.Morris、M.Ritzert、M.Fey、W.L.Hamilton、J.E.Lenssen、G.Rattan、M.Grohe、Weisfeiler和leman go neural:Higher-order graph neural networks，收录于：《AAAI人工智能会议论文集》，第33卷，2019年，第4602-4609页。
[15] Micheli，A.，《图的神经网络：上下文构造方法》，IEEE Trans。神经网络，20,3498-511（2009）
[16] Pope，P.E。；科洛里，S。；罗斯塔米，M。；马丁·C·E。；Hoffmann，H.，图卷积神经网络的解释方法，（IEEE计算机视觉和模式识别会议论文集（2019）），10772-10781
[17] 贝林格里奥，M。；库特拉，D。；Eliassi-Rad，T。；Faloutsos，C.，《通过多种社会理论实现网络相似性》，（2013年IEEE/ACM社会网络分析与挖掘进展国际会议论文集（2013），ACM），1439-1440
[18] A.Dutta，H.Sahbi，随机图形嵌入，IEEE神经网络和学习系统汇刊。
[19] A.齐次林。；莫廷，D。；Karras，P。；布朗斯坦，A。；Müller，E.，Netlsd：聆听图形的形状，（第24届ACM SIGKDD国际知识发现与数据挖掘会议（2018），ACM），2347-2356
[20] S.Verma，Z.-L.Zhang，《寻找图上独特、稳定、稀疏和快速的特征学习》，载于《神经信息处理系统进展》，2017，第88-98页。
[21] 哥伦比奇，M.C。；哈特曼，I.B.-A.，《图论、组合数学和算法：跨学科应用》，第34卷（2006年），斯普林格科学与商业媒体
[22] Uehara，R。；托达，S。；Nagoya，T.，弦二部图和强弦图的图同构完备性，离散应用。数学。，145, 3, 479-482 (2005) ·Zbl 1056.05099号
[23] P.Yanardag，S.Vishwanathan，深度图内核，摘自：第21届ACM SIGKDD知识发现和数据挖掘国际会议论文集，ACM，2015年，第1365-1374页。
[24] 北威尔士。；沃森，I.A。；Karypis，G.，《化合物检索和分类描述符空间的比较》，Knowl。信息系统。，14, 3, 347-375 (2008)
[25] 赫尔马，C。；金·R·D。；克莱默，S。；Srinivasan，A.，《2000-2001年预测毒理学挑战》，生物信息学，17，1，107-108（2001）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。